脊椎关节病（SpA）是一组主要影响脊柱和骶髂关节的炎性风湿性疾病。这些疾病，包括强直性脊柱炎和银屑病关节炎，会导致慢性疼痛和残疾。由于其多样的临床表现和逐渐发作的症状，SpA的诊断往往具有挑战性。这种复杂性导致显著的诊断延迟，通常为7至10年。

医学成像，包括x射线、磁共振成像（MRI）和计算机断层扫描（CT），在SpA的诊断和治疗中起着至关重要的作用。x射线通常用于筛查，特别是检测晚期的结构变化。MRI是早期诊断的首选方式，可以检测到x射线上可能看不到的炎症和软组织变化]。CT不太常用，但在需要时可以提供详细的骨结构可视化。然而，由于SpA的表现微妙且多变，有时很难解释这些图像。在早期阶段，影像学改变可能很小，MRI的发现可能是非特异性的。这些挑战在临床和放射诊断强调需要改进的诊断工具和策略。

人工智能（AI）的最新进展，特别是深度学习，在提高包括放射学和风湿病学在内的各个医学领域的诊断准确性方面显示出了希望。深度学习使用人工神经网络来有效地分析图像。卷积神经网络（CNN）是一种深度学习方法，通过自动从放射图像中提取特征来改进图像分析，从而实现更准确、更有效的解释。

最近，发表在European Radiology 上的一篇文章评估了深度学习技术在提高SpA诊断成像准确性方面的有效性和诊断准确性。

本项研究根据PRISMA指南，系统检索截至2024年2月的主要数据库，重点研究将深度学习应用于SpA成像的研究。提取并分析了性能指标、模型类型和诊断任务。采用QUADAS-2评估研究质量。

研究分析了21项利用深度学习在MRI、CT和x射线模式下进行SpA成像诊断的研究。这些模型，特别是先进的CNN和U-Nets，在诊断SpA、区分关节炎形式和评估疾病进展方面表现出很高的准确性。性能指标经常超越传统方法，一些模型的AUC高达0.98，与放射科专家的表现相当。

图 对所有纳入研究的总体偏倚风险进行累积评估

本项研究强调了深度学习在MRI、CT和x射线模式下SpA成像诊断中的有效性。所回顾的研究显示了较高的诊断准确性。然而，在一些研究中存在的小样本量突出了需要更广泛的数据集和进一步的前瞻性和外部验证，以增强这些人工智能模型的可泛化性。

原始出处：

Mahmud Omar,Abdulla Watad,Dennis McGonagle,et al.The role of deep learning in diagnostic imaging of spondyloarthropathies: a systematic review.DOI:10.1007/s00330-024-11261-x